Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Desafíos en La Medición y El Análisis Del Estatus Socioeconómico de Los Estudiantes Peruanos
Desafíos en La Medición y El Análisis Del Estatus Socioeconómico de Los Estudiantes Peruanos
APORTES
APRENDIZAJE METODOLÓGICOS
COMPOSICIÓN
ECONÓMICA
REGRESIÓN
MULTINIVEL
HETEROGÉNEO
SIMULACIÓN
COMPOSICIÓN
ECONÓMICA
REGRESIÓN
MULTINIVEL
HETEROGÉNEO
SIMULACIÓN
Equipo técnico
Andrés Christiansen (coordinador)
Wilmer Hernández
Manuel Marcos
Giovanna Moreano
Juan Carlos Saravia
Esta publicación es el producto final del esfuerzo institucional de la UMC a través de sus
diferentes equipos de especialistas.
Presentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Capítulo 1: Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1 Definición del estatus socioeconómico y su medición en la ECE . . . 12
1.2 Relación entre el estatus socioeconómico y el rendimiento académico 14
1.3 Desafíos en el análisis del estatus socioeconómico . . . . . . . . . . 15
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
A1 Preguntas usadas en la elaboración del índice socioeconómico . . . 84
A2 Densidad del ISE en 2.° grado de secundaria . . . . . . . . . . . . . 86
B1 Densidad y correlación del ISEP entre años y entre grados . . . . . . 87
C1 Análisis de componentes principales comunes por área y región natural 95
D1 Modelos multinivel con datos aleatorizados . . . . . . . . . . . . . . . 99
D2 Estudio de simulación - código en R . . . . . . . . . . . . . . . . . . . 102
E1 Indicadores utilizados en el modelo de regresión multinivel . . . . . . 103
Lista de siglas, abreviaturas y símbolos
AIC Criterio de información de Akaike
ACP Análisis de componentes principales
ACPC Análisis de componentes principales comunes
CCI Coeficiente de correlación intraclase
BIC Criterio de información bayesiano
CFI Índice de ajuste comparativo
DE Desviación estándar
ECE Evaluación Censal de Estudiantes
ESE Estatus socioeconómico
ICSC Índice de calidad del servicio y el contexto de la escuela
ISE Índice socioeconómico del estudiante
ISEP Índice socioeconómico promedio de la escuela
GM Centrado a la gran media
L Función de máxima verosimilitud
matviv Índice de material de la vivienda
maxedu Máximo nivel educativo en el hogar en años de estudio
MC Centrado a la media del clúster
otrserv Índice de otros servicios en el hogar
RMSEA Error cuadrático medio de aproximación
serbas Índice de servicios básicos en el hogar
TLI Índice de Tucker-Lewis
UMC Oficina de Medición de Calidad de los Aprendizajes
Presentación
El presente informe, elaborado por la Oficina de la Medición de la Calidad de los
Aprendizajes, examina la relación entre el estatus socioeconómico y el logro
académico dentro del contexto de la educación primaria y secundaria en el Perú.
Este estudio goza, en mi modesta opinión, de un carácter único en el contexto
peruano y latinoamericano, ya que son muy pocas las investigaciones que
reflexionan detalladamente sobre la manera en que el estatus socioeconómico
puede ser medido y exploran diferenciadamente su relación con el rendimiento
académico. Desde esta perspectiva, contribuye al diálogo ya existente sobre el
efecto del estatus socioeconómico en el rendimiento académico.
9
socioeconómico. Es por ello que el capítulo 4 examina en detalle la construcción del
índice socioeconómico, incorporando diferencias entre centros urbanos y rurales,
así como diferencias entre regiones naturales (costa, sierra y selva).
10
Introducción
Capítulo 1
Introducción
Capítulo 1
El estatus socioeconómico (ESE) ha sido identificado como uno de los factores más
importantes en explicar la variación en el desempeño académico de los estudiantes
(León & Collahua, 2016; Ministerio de Educación, 2017c; Sirin, 2005; White, 1982).
Sus efectos sobre el rendimiento de los estudiantes hacen necesaria una exploración
profunda, con el objetivo de identificar en qué medida los resultados académicos son
producto de los procesos educativos o del contexto en que se encuentran.
Para aproximarse al ESE muchos estudios recogen indicadores sobre tres aspectos:
el ingreso familiar, el nivel educativo de los padres y el prestigio ocupacional de los
mismos, esquema que responde a la definición tripartita propuesta por
O. D. Duncan, Featherman y Duncan (1972). Bajo este esquema, el ingreso familiar
representa los recursos a los cuales potencialmente se puede acceder, mientras
que el nivel educativo y la ocupación indican el prestigio que puede tener una
familia, además de sus niveles de ingreso (Sirin, 2005).
12
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 1
y del contexto social que se evalúa. Por eso, muchas instituciones o investigaciones
elaboran índices con características a las que tienen acceso o que consideran
pertinentes para la realidad que intentan representar (León & Collahua, 2016). De
esta forma, también se incluyen recursos o posesiones en el hogar, recursos de
lectura en el hogar, ingresos familiares adicionales, características de la comunidad
y recursos escolares (León & Collahua, 2016; National Center for Education
Statistics, 2012; Sirin, 2005). Como señalan diversos autores (Gottfried & Ream,
2014; Sirin, 2005; White, 1982), la intensidad de la relación que se pueda encontrar
entre el rendimiento académico y el ESE dependerá de la forma en que este último
es medido.
Finalmente, cabe mencionar que las variables incluidas en este índice guardan
coherencia con otras mediciones peruanas del estatus socioeconómico
desarrolladas para ámbitos educativos y no educativos (Asociación Peruana de
Empresas de Investigación de Mercados, 2016, 2017; Caro, 2002; Centro de
Investigación y Desarrollo del Instituto Nacional de Estadística e Informática, 2007).
Además, este indicador ha sido objeto de una constante revisión y ajuste, lo que ha
permitido mejorar su medición y conceptualización a través de diferentes
evaluaciones (Ministerio de Educación, 2016a, 2017b, 2017c, 2017e).
1
Esta información se recogió de manera muestral para 2.° grado de primaria en 2015 y 2016, y de manera
censal para 4.° grado de primaria en 2016 y para 2.° grado de secundaria en 2015 y 2016.
2
En revisiones anteriores del ISE se incluyó el hacinamiento en el hogar. Sin embargo, esta variable no
contribuyó de forma significativa a la varianza explicada por el primer componente en un análisis de
componentes principales.
13
1.2. Relación entre el estatus socioeconómico y el rendimiento académico
Como se mencionó anteriormente, en abundante literatura nacional (Caro, 2002;
León & Collahua, 2016; Ministerio de Educación, 2016a, 2017b, 2017c) e
internacional (Sirin, 2005; White, 1982) se hace referencia a la estrecha relación que
existe entre el estatus socioeconómico y el rendimiento académico. Dicha relación
se manifiesta tanto en el ámbito familiar como en el ámbito escolar del estudiante. En
el primer caso, un alto estatus socioeconómico permitiría a los padres invertir en el
desarrollo de habilidades de sus hijos, adquirir materiales de aprendizaje y tener
más tiempo para dedicarse a su crianza (Gottfried & Ream, 2014). Por el contrario,
estudiantes pertenecientes a familias con pocos recursos económicos tendrían
menor acceso a capital económico, social y cultural y, por lo tanto, mayores
restricciones para desarrollar sus aprendizajes (Coleman, 1988; Coleman et ál.,
1966).
14
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 1
15
indicadores promedio y aumentando la varianza del indicador individual dentro de la
escuela. Se encontró que el efecto del indicador socioeconómico promedio
desaparecería en las escuelas aleatorizadas, lo que se complementa con un estudio
de simulación para datos con y sin efecto contextual. Los resultados de ambas
técnicas sugieren una estimación insesgada del índice socioeconómico promedio
de la escuela.
16
Elaboración del
índice socioeconómico
en la ECE
Capítulo 2
Elaboración del índice
Capítulo 2 socioeconómico en la ECE
Los cuatro estudios presentados en este informe utilizan como aproximación al estatus
socioeconómico un índice socioeconómico (ISE) calculado por la Oficina de Medición
de la Calidad de los Aprendizajes. En este capítulo se detalla el cálculo de este índice
usando la información obtenida mediante cuestionarios de los padres de familia o
tutores y de los estudiantes a través de la Evaluación Censal de Estudiantes (ECE) de
primaria y secundaria, respectivamente.
Se recogió información para calcular cinco indicadores que formen el ISE: años de
estudio de los padres, materiales de construcción de la vivienda, servicios básicos
en el hogar, activos en el hogar y otros servicios en el hogar. Estos indicadores, a
excepción del primero, fueron calculados a través de un análisis de componentes
principales (ACP) que permitió recoger la mayor parte de la varianza compartida
entre los ítems que los componen. Luego, se realizó un ACP de segundo orden
incorporando a los puntajes obtenidos en la primera etapa el máximo número de
años de estudio de los padres. Con ello se pudo obtener un único indicador (ISE)
que representara el estatus socioeconómico de la familia del estudiante.
18
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 2
3
Las versiones originales de las preguntas utilizadas se encuentran en el Anexo A1.
19
2.1.2. Material de construcción de la vivienda
En primaria y secundaria se preguntó de manera similar sobre el material de
construcción de las paredes, los pisos y los techos. Las respuestas de los padres de
familia y estudiantes fueron reasignadas a los códigos mostrados en las tablas 2.3,
2.4 y 2.5. El orden de los códigos asignados se determinó utilizando la media de
ingresos en relación con cada material de la Encuesta Nacional de Hogares 2015
del Instituto Nacional de Estadística e Informática.
20
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 2
21
2.1.4. Activos y otros servicios en el hogar
En ambos cuestionarios (padres y estudiantes) se indagó también sobre diversos
activos que podrían tenerse en el hogar, separándolos en dos categorías: activos en
el hogar y otros servicios en el hogar4 . Las respuestas de los padres de familia y
estudiantes fueron reasignadas a los códigos mostrados en la tabla 2.9.
4
Las variables Moto y Auto y/o camioneta fueron sumadas, quedando 0 si no poseía ninguno de estos vehículos,
1 si poseía uno de los dos y, 2 si poseía ambos.
22
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 2
5
Para mayor detalle del proceso utilizado por esta librería puede revisarse el manual de referencia (van Buuren
& Groothuis-Oudshoorn, 2011).
23
2.3. Cálculo de indicadores del ISE
Como se detalló anteriormente, cuatro de las cinco dimensiones que forman el ISE
recogen información de múltiples preguntas respondidas por los padres o los
estudiantes. Por ello, fue necesario transformar estas preguntas en indicadores que
las agruparan mediante análisis de componentes principales. En cada agrupación,
el primer componente fue utilizado para la construcción final del ISE.
6
Las tablas resumen las correlaciones intra-grado. Por debajo de la diagonal se encuentran las correlaciones
entre ítems de 4.° grado de primaria, por encima de la diagonal las correspondientes a 2.° grado de
secundaria.
24
Tabla 2.14. Matrices de correlaciones - Activos en el hogar
2.° de secundaria
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1. radio 0,158 0,115 0,169 0,155 0,227 0,188 0,140 0,162 0,301 0,173 0,157 0,091 0,128 0,080
2. licuadora 0,336 0,754 0,754 0,524 0,615 0,627 0,570 0,537 0,538 0,528 0,642 0,731 0,542 0,330
3. plancha 0,322 0,818 0,699 0,529 0,574 0,624 0,580 0,546 0,490 0,529 0,646 0,717 0,587 0,310
4. televisor 0,320 0,788 0,760 0,535 0,816 0,592 0,526 0,536 0,626 0,520 0,604 0,689 0,503 0,362
5. celular 0,350 0,567 0,544 0,621 0,551 0,548 0,528 0,522 0,474 0,527 0,528 0,566 0,487 0,282
6. rep. de video 0,360 0,652 0,648 0,811 0,572 0,527 0,484 0,486 0,558 0,549 0,529 0,557 0,468 0,286
7. computadora 0,329 0,678 0,693 0,623 0,478 0,607 0,552 0,542 0,484 0,549 0,593 0,656 0,631 0,311
4.° de
primaria 8. laptop 0,323 0,648 0,656 0,596 0,530 0,604 0,624 0,563 0,445 0,544 0,570 0,582 0,577 0,345
9. tablet 0,302 0,652 0,670 0,643 0,537 0,641 0,647 0,699 0,465 0,568 0,587 0,596 0,589 0,299
10. equipo de sonido 0,449 0,644 0,618 0,679 0,492 0,660 0,606 0,599 0,624 0,484 0,528 0,542 0,478 0,324
11. videojuegos 0,292 0,541 0,556 0,531 0,467 0,641 0,603 0,638 0,662 0,600 0,591 0,570 0,588 0,316
12. microondas 0,320 0,695 0,699 0,635 0,475 0,629 0,673 0,672 0,696 0,640 0,652 0,737 0,723 0,287
13. refrigeradora 0,261 0,780 0,746 0,753 0,491 0,612 0,704 0,639 0,692 0,646 0,605 0,786 0,734 0,306
14. lavadora 0,290 0,686 0,708 0,622 0,471 0,622 0,720 0,696 0,708 0,622 0,664 0,812 0,819 0,279
15. vehículo 0,251 0,433 0,421 0,439 0,406 0,422 0,444 0,487 0,440 0,475 0,476 0,447 0,441 0,451
25
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos
Capítulo 2
2.3.2. Análisis de componentes principales
En las tablas 2.16, 2.17, 2.18 y 2.19 se presentan los pesos7 , las cargas en el
componente, las medias y las desviaciones estándar de cada variable con respecto
a cada indicador. Se puede observar que todos los ítems cargan de forma
importante en el primer componente.
7
Los pesos del componente son la ponderación de las cargas en el componente por la varianza explicada.
26
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 2
Finalmente, para hallar el puntaje individual en cada indicador, los ítems fueron
estandarizados y luego multiplicados por el peso respectivo. A continuación se
muestra la fórmula utilizada, donde i representa al estudiante y j las variables del
indicador:
∑
número de ítems ( )
ítemij − mediaj
Indicadori = × pesoj (2.1)
j=1
DEj
27
2.4. Construcción del índice socioeconómico
Mediante los puntajes obtenidos con la fórmula (2.1) y el máximo nivel educativo
alcanzado por los padres (maxedu), se construyó una matriz de correlaciones de
Pearson (tabla 2.20) que permitiera el cálculo del ACP de segundo orden para
obtener el índice socioeconómico. Como puede verse, existe una correlación
mediana entre todos los indicadores que forman el ISE, cuyo primer componente, en
ambos grados, explica el 62 % de la varianza entre indicadores, tanto en primaria
como en secundaria. Además, la tabla 2.21 muestra cómo todos los indicadores
presentan cargas adecuadas en el primer componente.
2.° de secundaria
maxedu matviv serbas activos otrserv
maxedu 0,427 0,372 0,525 0,478
matviv 0,465 0,509 0,599 0,550
4.° de
primaria serbas 0,439 0,534 0,594 0,453
activos 0,513 0,562 0,534 0,742
otrserv 0,456 0,533 0,433 0,772
Para estimar el ISE de cada individuo, cada indicador fue estandarizado y luego
multiplicado por el peso respectivo. Esta fue la fórmula utilizada:
∑ 5 ( )
ítemij − mediaj
Índice socioeconómico (ISE)i = × pesoj (2.2)
j=1
DEj
28
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 2
Como se muestra en las tablas 2.22 y 2.23, existen diferencias importantes entre el
ISE nacional en función a las estratificaciones por área, gestión de la escuela y región
geográfica8 . En 4.° grado de primaria y 2.° grado de secundaria, los estudiantes que
asisten a escuelas urbanas tienen en promedio 0,15 de una desviación estándar (DE)
más que la media nacional, mientras que los estudiantes de escuelas rurales tienen
1,2 DE menos que la media nacional. Además, existe una diferencia cercana de 1
DE del ISE entre estudiantes que asisten a escuelas estatales y no estatales. Estas
tendencias pueden verse también en las figuras 2.1 y 2.2 para 4.° grado de primaria9
y son consistentes con datos nacionales provenientes de investigaciones educativas
y no educativas (Asociación Peruana de Empresas de Investigación de Mercados,
2016, 2017; Centro de Investigación y Desarrollo del Instituto Nacional de Estadística
e Informática, 2007; Ministerio de Educación, 2016a)10 .
8
Se utiliza la clasificación propuesta por Ministerio de Educación (2016b).
9
Para los gráficos de densidad de 2.° grado de secundaria ver el Anexo A2.
10
La clasificación por regiones geográficas se detalla en al capítulo 4.
29
Figura 2.1. Densidad del ISE de 4.° grado de primaria según área de la escuela
1,0
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
Figura 2.2. Densidad del ISE de 4.° grado de primaria según gestión de la escuela
1,0
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
30
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 2
31
Estabilidad del índice
socioeconómico entre
grados y años
Capítulo 3
Estabilidad del
Capítulo 3 índice socioeconómico
entre grados y años
3.1. Introducción
La Evaluación Censal de Estudiantes (ECE) evalúa sólo algunos grados de la
educación básica regular, ya que su aplicación se vuelve compleja en términos
logísticos a medida que aumenta la cantidad de grados y áreas evaluadas. Por lo
tanto, sería relevante examinar si el indicador socioeconómico calculado en base a
los estudiantes de un grado específico es representativo para todo el nivel
educativo11 de ese grado. Además, debido a su posible uso en estudios
longitudinales, es importante verificar si este indicador es estable en el tiempo. No
se esperan mayores diferencias en el corto plazo, pero a largo plazo la composición
socioeconómica de la escuela podría variar. Por consiguiente, también sería
pertinente monitorear estas diferencias con la finalidad de obtener patrones
longitudinales.
3.2. Metodología
Para el análisis de la estabilidad del indicador socioeconómico entre grados en una
misma escuela, se utilizó un grupo de comparación formado por las escuelas de la
ECE 2016 para 2.° y 4.° grado de primaria. Para examinar la estabilidad del ISE en el
tiempo se utilizaron dos grupos de comparación: 1) escuelas que fueron evaluadas
en las ECE 2015 y 2016 para 2.° grado de primaria; 2) escuelas que fueron
evaluadas en las ECE 2015 y 2016 para 2.° grado de secundaria. Dado que la
información socioeconómica en 2.° grado de primaria se recogió de manera
muestral, solo se consideraron las escuelas evaluadas que coinciden en las
comparaciones mencionadas (figura 3.1).
11
La Educación Básica Regular en el contexto peruano se compone de tres niveles educativos: inicial, primaria
y secundaria.
34
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 3
Para mostrar la estabilidad del ISEP entre grados y en el tiempo para el ámbito
nacional y cada uno de los estratos, se realizaron análisis visuales mediante dos
tipos de figuras: distribución de densidad y dispersión del ISEP a nivel de escuela.
Esto permite la comparación del comportamiento general del ISEP y de su
correspondencia, calculados en una escuela en dos grados o años.
35
3.3. Resultados
3.3.1. Estabilidad del ISEP entre grados en una misma escuela
La tabla 3.1 muestra la distribución de la varianza del ISE entre grados, donde se
puede observar que a nivel nacional el CCI12 de 2.° y 4.° grados de primaria en la
ECE 2016 son semejantes. Además, el CCI muestra que la varianza del ISE
corresponde entre 31 % y 65 % a la escuela, es decir, a pesar de que esta es una
variable individual existe mucha similitud entre los estudiantes de una misma
escuela. El CCI para ambos grados en conjunto es similar al calculado por
separado. La tendencia se mantiene al analizar este coeficiente por estratos,
aunque se presenten algunas pequeñas diferencias. Estos resultados son un primer
indicio de que el ISEP, para ambos grados, podría tener un comportamiento similar
en el ámbito nacional y para cada uno de los estratos considerados.
Tabla 3.1. Distribución de la varianza del ISE de 2.° y 4.° grado de primaria - ECE
2016
Estrato Grupo Estudiante Escuela
2.° grado 0,394 0,606
Nacional 4.° grado 0,394 0,606
2.° y 4.° grado 0,394 0,606
2.° grado 0,451 0,549
Urbana 4.° grado 0,451 0,549
2.° y 4.° grado 0,451 0,549
2.° grado 0,686 0,314
Rural 4.° grado 0,688 0,312
2.° y 4.° grado 0,694 0,306
2.° grado 0,541 0,459
Estatal 4.° grado 0,540 0,460
2.° y 4.° grado 0,542 0,458
2.° grado 0,532 0,468
No Estatal 4.° grado 0,549 0,451
2.° y 4.° grado 0,536 0,464
2.° grado 0,351 0,649
Costa 4.° grado 0,350 0,650
2.° y 4.° grado 0,349 0,651
2.° grado 0,510 0,490
Sierra 4.° grado 0,509 0,491
2.° y 4.° grado 0,512 0,488
2.° grado 0,477 0,523
Selva 4.° grado 0,489 0,511
2.° y 4.° grado 0,486 0,514
12
Este estadístico describe la proporción de varianza que corresponde al segundo nivel de análisis, en este
caso la escuela.
36
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 3
Figura 3.2. Densidad del ISEP de 2.° y 4.° grado de primaria según gestión de la
escuela - ECE 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
En el estrato estatal se observa que la distribución de densidad del ISEP para 2.° y 4.°
grados de primaria a nivel de escuela presenta una ligera asimetría positiva, lo que
también se observa en la distribución de densidad del ISEP para el estrato urbano.
Esto puede ser explicado porque las escuelas en el Perú se diferencian por tamaño
y cantidad de población atendida.
Se puede afirmar que las distribuciones entre grados, nacionales y dentro de cada
estrato son similares, pero esto no indica necesariamente la existencia de una alta
relación del ISEP para ambos grados de una misma escuela. Para poder realizar esta
afirmación se necesitan otras herramientas; en ese sentido, los gráficos de dispersión
son útiles para determinar la existencia de una alta relación del ISEP entre ambos
grados de una misma escuela.
37
Como se puede observar en la figura 3.3, existe una alta correlación entre los ISEP
de los grados de una misma escuela, tanto a nivel nacional como en los estratos
urbano y rural13 . La concentración de los puntos en los gráficos de dispersión
muestra comportamientos diferenciados que van de acuerdo a las características de
su estrato.
Figura 3.3. Dispersión del ISEP de 2.° y 4.° grado de primaria según área de la
escuela - ECE 2016
2 Correlación: 0,953
4.° grado de primaria − 2016
−1
−2
−2 −1 0 1 2
2.° grado de primaria − 2016
Urbana Rural
13
Esto se repite en los otros estratos analizados y puede verse en el Anexo B1.
38
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 3
Tabla 3.2. Distribución de la varianza del ISE de 2.° grado de primaria 2015 y 2016
Estrato Grupo Estudiante Escuela
ECE 2015 0,446 0,554
Nacional ECE 2016 0,438 0,562
ECE 2015 - 2016 0,441 0,559
ECE 2015 0,514 0,486
Urbana ECE 2016 0,498 0,502
ECE 2015 - 2016 0,506 0,494
ECE 2015 0,633 0,367
Rural ECE 2016 0,663 0,337
ECE 2015 - 2016 0,666 0,334
ECE 2015 0,577 0,423
Estatal ECE 2016 0,568 0,432
ECE 2015 - 2016 0,570 0,430
ECE 2015 0,568 0,432
No Estatal ECE 2016 0,551 0,449
ECE 2015 - 2016 0,559 0,441
ECE 2015 0,458 0,542
Costa ECE 2016 0,444 0,556
ECE 2015 - 2016 0,448 0,552
ECE 2015 0,523 0,477
Sierra ECE 2016 0,518 0,482
ECE 2015 - 2016 0,523 0,477
ECE 2015 0,508 0,492
Selva ECE 2016 0,489 0,511
ECE 2015 - 2016 0,497 0,503
14
En esta sección se detallan los resultados para 2.° grado de primaria. En el Anexo B1 se exponen los resultados
de 2.° grado de secundaria, los cuales mantienen la misma tendencia.
39
Las distribuciones de densidad del ISEP de 2.° grado de primaria para las ECE 2015
y 2016 también se encuentran superpuestas para el ámbito nacional y para cada uno
de los estratos. En la figura 3.4 se muestra su distribución para las escuelas urbanas
y rurales.
Figura 3.4. Densidad del ISEP de 2.° grado de primaria según área de la escuela -
ECE 2015 y 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
40
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 3
Figura 3.5. Dispersión del ISEP de 2.° grado de primaria según gestión de la
escuela - ECE 2015 y 2016
2 Correlación: 0,941
−1
−2
−2 −1 0 1 2
2.° grado de primaria − 2015
Estatal No estatal
3.4. Conclusiones
Los resultados encontrados a lo largo de este capítulo muestran que la estimación
del ISEP para un grado podría resultar representativa de todo el nivel educativo
(primaria o secundaria). Ademas, el ISEP recogido en un determinado año puede
ser representativo del año siguiente. La estabilidad del ISEP no debe ser entendida
como la uniformidad del estatus socioeconómico dentro de una escuela, sino como
la conservación, entre grados y años, de una composición socioeconómica
producto de la segregación escolar que podría perjudicar a los estudiantes de bajos
recursos para alcanzar mejores resultados educativos.
41
La heterogeneidad
social en la
construcción del índice
socioeconómico
Capítulo 4
La heterogeneidad social
Capítulo 4 en la construcción
del índice socioeconómico
4.1. Introducción
El índice socioeconómico (ISE) de la Oficina de Medición de la Calidad de los
Aprendizajes (UMC) es calculado de forma estandarizada para todos los
estudiantes evaluados en la ECE. Sin embargo, esta aproximación puede presentar
problemas en un contexto de desigualdad y heterogeneidad social, lo cual hace
necesario considerar la forma de incluir estas características contextuales dentro de
su estimación.
En este estudio se presenta una forma alternativa de cálculo del ISE que podría
recoger esta heterogeneidad. Para ello se analiza cómo la fragmentación y
heterogeneidad social afectaría la construcción de indicadores socioeconómicos.
Se explora luego la posibilidad de incluir parte de la heterogeneidad social en el
cálculo del ISE mediante el método de análisis de componentes principales
comunes (ACPC) propuesto por Flury (1984) y extendido por Trendafilov (2003).
44
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 4
Dada la alta heterogeneidad social del país, resulta conveniente analizar si las
relaciones encontradas entre los componentes del ISE son similares en diversas
subpoblaciones. El cálculo del ACP sin considerar estas diferencias puede
ocasionar: (a) sesgos en la estimaciones de los puntajes del ISE, (b) sesgos en las
relaciones del ISE con otros factores como el rendimiento académico, y (c)
problemas en la interpretación de los efectos del ISE en dichos factores.
De este modo, incluir las condiciones de heterogeneidad social en el cálculo del ISE
podría significar un avance en la forma de aproximarse a un contexto
socioeconómico complejo utilizando herramientas de estimación. Una manera de
incorporar estas diferencias es analizar las distintas relaciones que puedan tener las
variables en cada de las subpoblaciones. Esto se puede lograr a través del método
de ACPC, que incorpora tantas matrices de correlaciones o de covarianzas como
grupos se pretenda analizar. El ACPC permite la diagonalización simultánea de
estas matrices, obteniendo una matriz única de autovectores y una de autovalores
para cada uno de los grupos (Juneja, 2012).
45
La formalización de este procedimiento considera k subpoblaciones, siendo
k = 1, 2, . . . , n, y teniendo j variables, donde j = 1, 2, . . . , p, con matrices de
correlaciones semidefinidas y positivas:
A11 ... A1p A11 ... A1p A11 ... A1p
. . . . . .
A1 =
..
.. . ̸
= A =
..
.. . ̸
= · · · ̸ = A =
..
.. . (4.3)
. . 2 . . n . .
Ap1 ... App Ap1 ... App Ap1 ... App
Los datos hallados se utilizan para el cálculo de las cargas al componente (C) de las
variables consideradas.
√
Ck = U × Λk (4.6)
En el caso del ISE, se considera solo el primer componente. Por lo tanto, los pesos
de las variables se calculan de la siguiente manera:
√
U × Λk
Pk = (4.7)
λk1
Con esta información se procede al cálculo de los componentes mediante la siguiente
fórmula:
p ( )
∑ Xj − X j
Yj = × Pk (4.8)
j=1
σXj
46
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 4
4.2. Metodología
Para poder incorporar la heterogeneidad social en el cálculo del ISE, se consideraron
cinco subpoblaciones agrupadas por criterios de ámbito geográfico (urbano, rural)
y por regiones naturales (costa, sierra y selva)15 . La información analizada proviene
de los cuestionarios de 4.° grado de primaria y 2.° grado de secundaria en la ECE
2016. En la sección de resultados se muestran los análisis para 4.° grado de primaria,
mientras que los de 2.° grado de secundaria se encuentran en el Anexo C1.
En primer lugar, se verificó que las matrices de correlaciones entre los componentes
del ISE fueran diferentes para cada subpoblación mediante el test de igualdad de
matrices de correlación propuesto por Jennrich (1970). Esto evidencia la presencia
de heterogeneidad entre los estratos analizados.
15
No se considera el estrato de gestión de la escuela (estatal y no estatal), debido a que la asistencia del
estudiante a una u otra escuela, en la medida de lo posible, suele estar bajo la decisión de la familia y no se
muestra como una característica contextual independiente a esta.
16
La carga es el efecto directo que tiene cada indicador sobre el componente (denominado índice) sin
considerar la varianza explicada por el componente.
47
4.3. Resultados
4.3.1. Igualdad de las matrices de correlación por subpoblación
Las matrices de correlaciones de las subpoblaciones analizadas son distintas entre
sí y distintas a la matriz de correlaciones nacional (tabla 4.1), resultado que sugeriría
que las relaciones entre los componentes del ISE son diferentes entre subpoblaciones.
Por lo tanto, se justifica la utilización del ACPC para el cálculo del ISE, ya que puede
recoger estas relaciones diferenciadas.
48
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 4
Tabla 4.2. Estadísticos del ACP del índice socioeconómico de 4.° grado de primaria
- ECE 2016
Tabla 4.3. Estadísticos del ACPC del índice socioeconómico de 4.° grado de
primaria - ECE 2016
49
Al comparar la distribución del ISE calculado por ACP y ACPC que consideran el
ámbito geográfico (figura 4.1), se observan pequeñas diferencias en valores medios
y bajos del ISE. Sin embargo, ambos ISE parecen mantener la misma distribución,
habiendo entre ellos una correlación de 0,998. Esto sugiere que no habría una
diferencia notable en términos de valores del ISE asignados a los estudiantes y sus
familias por cada método.
Figura 4.1. Densidad del ISE calculado mediante ACP y ACPC considerando
diferencias por área de la escuela - 4.° grado de primaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
ACP ACPC
50
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 4
Al analizar por separado las distribuciones de los índices por ámbito geográfico, en
la figura 4.2, no se encuentran diferencias para el ámbito urbano. Sin embargo, en el
ámbito rural se observa una marcada diferencia entre los resultados por método de
estimación. Esto se refleja en un traslado hacia la izquierda de la curva de densidad
de la estimación ACPC, aunque conservando la forma de la distribución.
Figura 4.2. Densidad según área del ISE calculado mediante ACP y ACPC
considerando diferencias por área de la escuela - 4.° grado de primaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
51
Para el caso de la estimación con distintas matrices de correlación por regiones
naturales, no se encuentran diferencias en los resultados de ambos tipos de
estimación. Asimismo, al comparar las distribuciones del ISE calculadas con ACPC
y ACP, tampoco se encuentran diferencias importantes al interior de dichos estratos
(figura 4.3).
Figura 4.3. Densidad según región del ISE calculado mediante ACP y ACPC
considerando diferencias por región natural - 4.° grado de primaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
4.4. Conclusiones
Si bien se encuentran pequeñas diferencias en los resultados obtenidos al estimar el
índice socioeconómico a través de los métodos de ACP y ACPC, se puede afirmar
que existe una varianza parcial de medida considerando ámbito geográfico, y una
invarianza de medida por regiones naturales. La varianza de medida se podría estar
generando por efecto de la dispersión geográfica, así como por la poca presencia
de vías de comunicación que limita el acceso a bienes y servicios. De otro lado, la
invarianza de medida por región natural podría estar siendo ocasionada por una
posible homogeneidad respecto al acceso bienes y servicios al interior de las
regiones naturales.
52
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 4
53
Agregación del índice
socioeconómico
Capítulo 5
Agregación del
Capítulo 5 índice socioeconómico
5.1. Introducción
En diversos estudios realizados por la UMC (Ministerio de Educación, 2016a, 2017b,
2017c) se pueden encontrar modelos de regresión explicativos del rendimiento
académico donde el indicador socioeconómico tiene un efecto importante en la
variable criterio. En ellos también se observa que cuando el índice socioeconómico
se promedia por escuela y es incluido como un factor escolar en estos modelos, el
coeficiente asociado a este promedio suele presentar un mayor poder explicativo, al
igual que en otros países de la región.
Por ello, este estudio busca analizar si la agregación del índice socioeconómico
individual (ISE) puede producir una sobrestimación del coeficiente de regresión del
índice socioeconómico promedio de la escuela (ISEP). Para comprobarlo, se realiza
un análisis de simulación que aleatoriza estudiantes en diferentes escuelas,
obteniendo nuevos indicadores promedio y aumentando la varianza del indicador
individual dentro de la escuela. La técnica utilizada permite observar si el coeficiente
de regresión del ISEP es un subproducto de la agregación del ISE. Si la utilización
del promedio del ISE por escuela produjera una estimación de efectos contextuales
en datos que estructuralmente no los tuvieran, dada la alta variabilidad
socioeconómica, probaría que estos son productos de la agregación.
56
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 5
Otra forma de analizar la variabilidad del ISE dentro de las escuelas es compararla
con la variabilidad de este indicador a nivel nacional. La desviación estándar (DE)
nacional del ISE es cercana a 1 en todos los grados y años; sin embargo, las DE
dentro de las escuelas suelen ser menores. En la tabla 5.1 se exponen los resultados
de calcular la DE del ISE dentro de cada escuela y los percentiles de este estadístico
por escuela. Como se observa, la DE de la mitad de las escuelas varía entre 0,260 y
0,303, menor a la DE nacional. Además, en todos los casos el percentil 95 de escuelas
tiene una variabilidad de dos tercios o menos de la DE nacional.
Tabla 5.1. Desviaciones estándar del ISE al interior de la escuela según percentiles
DE de las escuelas
Grado y año DE nacional
P25 P50 P75 P90 P95
2.° grado de primaria 2015 1,018 0,143 0,303 0,453 0,577 0,675
2.° grado de primaria 2016 0,915 0,129 0,260 0,403 0,513 0,596
4.° grado de primaria 2016 0,999 0,140 0,271 0,419 0,553 0,651
2.° grado de secundaria 2015 0,988 0,180 0,289 0,417 0,539 0,631
2.° grado de secundaria 2016 1,000 0,176 0,285 0,414 0,542 0,638
Este indicio reflejaría que los estudiantes de una misma escuela tienen valores de ISE
con mucha menor variabilidad que la existente a nivel nacional y que, por lo tanto, el
ISEP podría representar características socioeconómicas comunes de los estudiantes
dentro de una misma escuela. Por ello, en la mayoría de investigaciones realizadas
por la UMC (Ministerio de Educación, 2016a, 2017b, 2017c) se incluye el ISEP, o una
medida similar, como covariable predictiva del rendimiento individual.
57
5.1.2. Centrado de variables predictivas
En el contexto de modelos explicativos del rendimiento académico, muchos de los
predictores utilizados son variables con escalas intervalares donde el 0 es asignado
de manera arbitraria y, por lo tanto, no indica la ausencia de lo que se mide (Véliz,
2016). Es por ello que muchas veces se hace necesario transformar las variables
para que los parámetros hallados sean fácilmente interpretables (Castellano et ál.,
2014; Enders & Tofighi, 2007; Raudenbush & Willms, 1995).
17
Variable grupal matemáticamente construida por características individuales (Diez Roux, 2017).
58
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 5
La ecuación (5.10) se puede reordenar para que tenga la misma estructura que (5.9):
5.2. Metodología
Este estudio utilizó la información socioeconómica y de rendimiento recogida en las
ECE 2015 y 2016. Las variables incluidas en el análisis fueron el índice
socioeconómico del estudiante, el índice socioeconómico promedio de la escuela y
los resultados de la ECE para Lectura, Matemática e Historia, Geografía y Economía
(HGE), según el grado y el año. El estudio consta de dos partes; en la primera se
aleatorizan datos reales y seguidamente se realiza un análisis de simulación de
efectos contextuales.
59
5.2.1. Aleatorización de datos reales
Para la primera parte se extrajeron 1000 muestras aleatorias de escuelas que
reunieran aproximadamente el 10 % del total de estudiantes evaluados. Por este
motivo, la cantidad de escuelas seleccionadas para cada análisis puede variar,
dependiendo de la cantidad de estudiantes que fueron evaluados en cada una de
ellas.
Dado que el objetivo era determinar la posible sobrestimación del ISEP, cada muestra
fue separada en dos conjuntos de datos. En el primero, se conservaron los datos
reales de los estudiantes: rendimiento, ISE e ISEP; en el segundo, se aleatorizó a los
estudiantes en cualquier escuela de la muestra. Así, en vez de que se conservara la
información de la escuela a la que pertenecían, se les asignó una escuela aleatoria
de la muestra. Para estos datos se calculó un nuevo ISEP con la media aritmética de
los estudiantes asignados a cada escuela. Esto permite comparar la estimación de
efectos contextuales con datos de baja y de alta variabilidad socioeconómica.
18
Para este tipo de centrado se le resta a la variable el promedio de toda la población.
19
En este tipo de centrado se le resta a la variable el promedio del grupo.
60
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 5
Este análisis consideró una estructura de datos anidados con diferentes tamaños y
número de clústeres. Para cada caso, dentro de cada conglomerado, se generó la
variable x con distribución normal cuya media tuviera N (0; 1) y con desviación
estándar con distribución N ( 21 ; 203
) entre los conglomerados20 . Con x se
construyeron las dos variables criterio, con y sin efectos contextuales. La variable y1
se construyó de la siguiente forma:
Y para y2 :
y2ij = β0j + β1 xij + β2 x·j + uj + eij (5.14)
5.3. Resultados
5.3.1. Efectos contextuales en aleatorización de datos reales
En la tabla 5.3 se muestra el promedio de los coeficientes de regresión de las 1000
muestras analizadas para Lectura y Matemática en 2.° grado de secundaria en la ECE
201622 . Se detallan las estimaciones para los datos reales (que considera la verdadera
20
Se utilizaron estas distribuciones y parámetros por su semejanza con los datos reales del ISE.
21
Para el código del lenguaje R utilizado ver el Anexo D2.
22
Los resultados de las demás áreas y grados se muestran en el Anexo D1.
61
escuela del estudiante) y los datos simulados (que aleatoriza a los estudiantes en
distintas escuelas).
Tabla 5.3. Modelos con datos aleatorizados de 2.° grado de secundaria - ECE 2016
Lectura Matemática
Modelo Datos
Intercepto ISE ISEP Intercepto ISE ISEP
Modelo 1: Aleatorizados 570,61 31,13 561,87 26,99
ISE Reales 561,99 14,51 553,70 12,81
Modelo 2: Aleatorizados 570,85 31,13 562,08 26,99
ISE(GM) Reales 562,10 14,51 553,79 12,81
Modelo 3: Aleatorizados 570,85 31,14 562,08 26,99
ISE(MC) Reales 557,63 11,99 549,96 10,61
Modelo 4: Aleatorizados 570,61 31,12 561,87 26,91
ISEP Reales 569,39 41,79 559,75 35,29
Modelo 5: Aleatorizados 570,85 31,12 562,08 26,91
ISEP(GM) Reales 569,71 41,79 560,02 35,29
Modelo 6: Aleatorizados 570,61 31,14 -0,02 561,87 26,99 -0,08
ISE+ISEP Reales 569,38 11,99 29,79 559,74 10,61 24,67
Modelo 7: Aleatorizados 570,61 31,14 -0,02 561,87 26,99 -0,08
ISE+ISEP(GM) Reales 569,62 11,99 29,79 559,94 10,61 24,67
Modelo 8: Aleatorizados 570,85 31,14 -0,02 562,08 26,99 -0,08
ISE(GM)+ISEP Reales 569,47 11,99 29,79 559,82 10,61 24,67
Modelo 9: Aleatorizados 570,85 31,14 -0,02 562,08 26,99 -0,08
ISE(GM)+ISEP(GM) Reales 569,70 11,99 29,79 560,01 10,61 24,67
Modelo 10: Aleatorizados 570,61 31,14 31,12 561,87 26,99 26,91
ISE(MC)+ISEP Reales 569,38 11,99 41,77 559,74 10,61 35,28
Modelo 11: Aleatorizados 570,85 31,14 31,12 562,08 26,99 26,91
ISE(MC)+ISEP(GM) Reales 569,70 11,99 41,77 560,01 10,61 35,28
Por otro lado, en el caso del índice socioeconómico promedio, se observa una
disminución importante del coeficiente de regresión en los datos aleatorizados. Por
ejemplo, para el caso de Lectura, el coeficiente del ISEP con datos reales fluctúa
entre 29,79 y 41,79 (alrededor de 50,9 % de una DE), reduciéndose a 31,12 para los
modelos que solo consideran el ISEP o que centran el ISE a la media del clúster y
volviéndose nulo en los modelos que utilizan otro tipo de centrado. Estos resultados
son consistentes con lo encontrado en los demás grados y áreas (ver Anexo D1).
Asimismo, en todos los casos se observa un aumento importante del coeficiente de
regresión del ISE y la reducción o anulación del coeficiente del ISEP.
23
La desviación estándar para Lectura y Matemática en la ECE 2016 de 2.° grado de secundaria fue 70,22 y
79,71, respectivamente (Ministerio de Educación, 2017d).
62
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 5
63
5.4. Conclusiones
Como se puede apreciar en la sección previa, el coeficiente de regresión relacionado
al ISEP desaparece en la aleatorización de datos reales. Solo es diferente a 0 en
los modelos que incluyen el centrado a la media del clúster para el ISE (modelos 10 y
11). Sin embargo, el coeficiente estimado del ISEP en estos modelos es la suma de los
coeficientes individuales y grupales sin MC (ver sección 5.1.2). Se pueden calcular los
efectos contextuales en estos casos, resultando ser idénticos a los encontrados en los
modelos 8 y 9, para Lectura (31,12 - 31,14 = -0,02) y para Matemática (26,91 - 26,99
= -0,08). Por lo tanto, en todos los casos de datos aleatorizados, el coeficiente de
regresión asociado al ISEP es nulo, lo que sería un primer indicio de que el coeficiente
encontrado con los datos reales no es una sobrestimación producto de la ponderación
de la variable individual.
64
Variación del efecto del
índice socioeconómico
entre escuelas
Capítulo 6
Variación del efecto del
Capítulo 6 índice socioeconómico
entre escuelas
6.1. Introducción
La investigación en el área de educación y las ciencias sociales ha documentado la
importancia del efecto que tiene el estatus socioeconómico (ESE) sobre el
rendimiento académico (León & Collahua, 2016; Sirin, 2005). Por ejemplo, la
evidencia empírica ha mostrado que los estudiantes que tienen padres con un bajo
ingreso económico, menores niveles educativos o están en situación de desempleo,
tienen mayor probabilidad de obtener un menor desarrollo cognitivo en comparación
con estudiantes que tienen padres con situaciones más acomodadas (Hertzman,
1994; Hertzman & Weins, 1996). Asimismo, es menos probable que estos
estudiantes se comprometan activamente en actividades escolares y
extracurriculares (Datcher, 1982; Finn & Rock, 1997; Johnson, Crosnoe & Elder,
2001; Voelkl, 1995). Esto podría ocasionar que los estudiantes no logren construir los
aprendizajes adecuados para su edad, aumentando la probabilidad de deserción
escolar (Cairns, Cairns & Neckerman, 1989; Crane, 1991; Ensminger & Slusarcick,
1992; Janosz, LeBlanc, Boulerice & Tremblay, 1997; Rumberger, 1995).
Consecuentemente, también podría afectar el acceso de los estudiantes a la
educación superior y limitaría sus oportunidades laborales (Raudenbush & Kasim,
1998).
66
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 6
6.2. Metodología
6.2.1. Población y muestra
La población objetivo de este estudio está conformada por estudiantes de 2.° grado
de secundaria y que rindieron la prueba de Lectura de la ECE 201625 . Dieron esta
evaluación 500 098 estudiantes distribuidos en 12 875 escuelas. El 75,4 % de estos
estudiantes asistían a escuelas estatales y el 89,1 % a escuelas de zona urbana.
Además, el 10,7 % tiene como lengua materna una lengua originaria. El modelo final
fue calculado con una muestra de 167 749 estudiantes de 3025 escuelas26 .
6.2.2. Medición
En este estudio se consideran diferentes variables relacionadas a los estudiantes y a
las escuelas a las que asisten. Las variables explicativas utilizadas en cada uno de
estos niveles y su descripción se muestran en las tablas 6.1 y 6.2. Se utiliza como
variable criterio el rendimiento de los estudiantes de 2.° grado de secundaria en
Lectura en la ECE 2016.
24
Este modelo también es llamado como modelo de efectos aleatorios donde las pendientes de la relación entre
el ISE y el rendimiento varían según la escuela (Snijders & Bosker, 1999).
25
Se estima encontrar resultados similares con los resultados de Matemática.
26
Esta muestra se adecua al diseño muestral de la ECE 2016 (Ministerio de Educación, 2017d). A pesar de la
reducción de casos, el diseño muestral no se ha visto afectado de manera significativa.
67
Tabla 6.1. Características del estudiante
Variable Descripción
Puntaje obtenido en la prueba de Lectura de la ECE 2016 de 2.° grado
Rendimiento en Lectura
de secundaria (Ministerio de Educación, 2017d).
-1: hombre
Sexo
+1: mujer
-1: lengua originaria
Lengua materna
+1: castellano
-1: no ha repetido de grado
Repetición
+1: sí ha repetido de grado
Asistencia a -1: no ha asistido a educación inicial
educación inicial +1: sí ha asistido a educación inicial
Índice socioeconómico (ISE) Puntaje que representa el estatus socioeconómico de la familia.
Puntaje factorial que mide la ausencia de conductas agresivas o
No violencia en la escuela violentas contra los estudiantes en la escuela (ej. agresión física,
insultos, amenazas, etc.) (ver Anexo E1).
Puntaje factorial que mide la frecuencia con la que los estudiantes
Exposición a diferentes tipos
resuelven diferentes tipos de preguntas en las clases de Comunicación
de pregunta sobre comprensión
(ej. para encontrar información en el texto, deductivas, de opinión, etc.).
de textos
(ver Anexo E1).
No terminará la secundaria
Terminará la secundaria
Expectativas de máximo
Terminará una carrera técnica
nivel educativo
Terminará una carrera universitaria
Terminará una maestría o doctorado
68
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 6
27
Ambas variables fueron centradas a la gran media.
69
6.3. Resultados
El CCI del modelo nulo estimado permite obtener la proporción de varianza del nivel
2 (escuela) del rendimiento en Lectura. En este caso, el 41 % de la varianza del
rendimiento se encuentra entre las escuelas. Es decir, los estudiantes dentro de una
misma escuela tendrían un rendimiento académico homogéneo. Al mismo tiempo,
diferencias en éste podrían ser más heterogéneas entre escuelas.
La tabla 6.4 muestra los parámetros estimados para el modelo 11. Los resultados
muestran que existe un efecto estadísticamente significativo del ISE sobre el
rendimiento. Por cada desviación estándar del ISE, los puntajes del rendimiento en
Lectura tienden a incrementar en 6 puntos controlando por todas las demás
variables. Asimismo, el ISEP también tiene una relación estadísticamente
significativa con el rendimiento. Por cada punto extra en el ISEP, el puntaje del
rendimiento en la prueba de Lectura se incrementaría en 30,58 puntos. De este
modo, el ISE y el ISEP se asocian a un mejor rendimiento de los estudiantes
independientemente de otras características individuales y escolares.
70
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 6
Para cumplir con el primer objetivo del estudio se calculó un efecto aleatorio del ISE
en el rendimiento. En este caso, se analizó la relación del ISE con el rendimiento entre
las escuelas y entre los estudiantes dentro de la escuela. Los hallazgos evidencian
que el efecto del ISE en el rendimiento varía entre diferentes escuelas.
Los resultados también muestran una interacción entre el nivel del estudiante y el de la
escuela. Se encuentra que los estudiantes de mayor ISE y que asisten a escuelas con
mejores instalaciones y servicios, tienen mayor rendimiento (0,086 + 0,031 = 0,117)
que aquellos que asisten a escuelas con condiciones menos favorables (0,086 - 0,031
= 0,055). Finalmente, el efecto del estatus socioeconómico también varía según las
71
diferentes características de la escuela, tales como gestión, tamaño de la escuela y
condiciones en las que opera.
6.4. Conclusiones
Los resultados confirman que en el sistema educativo peruano existen diferencias en
el rendimiento en Lectura por escuelas relacionadas al ESE (Ministerio de Educación,
2016a, 2016b, 2017b). Aunque esta relación ya es conocida, los hallazgos muestran
que no se presenta de la misma forma en todas las escuelas. El efecto del estatus
socioeconómico de los estudiantes es diferente entre las escuelas.
Estos resultados permiten reflexionar sobre las posibles implicancias que puedan
surgir para modelos de valor agregado. En otras palabras, son importantes para
aproximarse al conocimiento de cuánto de las diferencias en el rendimiento se
atribuyen exclusivamente a aspectos que la escuela puede manejar (Raudenbush,
2004).
Es importante notar que los resultados de este estudio podrían deberse a múltiples
variables escolares que a su vez tienen un efecto directo o indirecto en el
rendimiento. En esta línea, es posible que las escuelas urbanas con estudiantes de
estatus socioeconómico muy bajo o muy alto sean predominantemente no estatales.
Además, dado que las escuelas estatales no cobran pensión, es probable que estas
alberguen estudiantes con condiciones socioeconómicas más homogéneas que las
escuelas no estatales, lo cual podría llevar a que también tengan rendimiento más
homogéneo. Por otro lado, existe una amplia gama de tipos de escuelas no
estatales, que incluyen diferentes costos, niveles de infraestructura y equipamiento
(Balarin, 2015; Marcos, 2017), elementos que podrían generar una gran variabilidad
en el efecto del ISE en el rendimiento.
Estudios posteriores podrían enfocarse en qué otras variables del contexto tienen un
efecto en el estatus socioeconómico y en el rendimiento. Incluso, se podría
profundizar en cómo el efecto de pares influye en la relación entre el ESE y los logros
de aprendizaje.
72
Comentarios finales
Capítulo 7
Comentarios finales
Capítulo 7
74
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Capítulo 7
dudas que puedan surgir a partir del uso de esta técnica, es importante profundizar
en ella para determinar la viabilidad de la construcción de un ISE que considere de
forma adecuada el valor de bienes y servicios al interior de cada estrato.
Por último, en el capítulo 6 se encuentra que el efecto del ESE no es idéntico en todas
las escuelas. Los resultados muestran que esta relación puede variar por una serie
de condiciones, como son la propia composición socioeconómica de la escuela, su
gestión, el tamaño de ésta y las condiciones de su infraestructura. Sin embargo, como
también resalta el estudio, existen otras variables individuales y escolares que tienen
una importante capacidad predictiva del rendimiento de los estudiantes, por lo que
resultan ser variables que deben ser exploradas con mayor profundidad.
Tal como muestran estos hallazgos, el índice socioeconómico construido por la UMC
es un indicador sólido y presenta un comportamiento consistente con lo encontrado
en otras investigaciones. Los resultados reportados proporcionan evidencias
empíricas que sustentan el beneficio de construir un indicador de estatus
socioeconómico sin la utilización de dos componentes tradicionales: prestigio
ocupacional e ingreso. El estudio permite, además, tener un panorama más claro
sobre la naturaleza y funcionamiento del ESE y la composición socioeconómica de
la escuela, puesto que se focaliza en la construcción de este índice y sus efectos
diferenciados sobre el rendimiento.
75
examinar con mayor profundidad el efecto contextual del estatus socioeconómico y
observar cómo se relaciona con otras variables o indicadores.
76
Referencias
Referencias
Alkan, B. B., Atakam, C. & Alkan, N. (2015). A comparison of different procedures for
principal component analysis in the presence of outliers. Applied Statistics,
1-7.
Asociación Peruana de Empresas de Investigación de Mercados. (2016). Niveles
socioeconómicos 2016. Lima: Autor.
Asociación Peruana de Empresas de Investigación de Mercados. (2017). Niveles
socioeconómicos 2017. Lima: Autor.
Balarin, M. (2015). Las múltiples formas y efectos de la participación del sector
privado en la educación. Lima: Proyecto FORGE.
Balarin, M. (2016). El contexto importa: reflexiones acerca de cómo los contextos y
la composición escolar afectan el rendimiento y la experiencia educativa
de los estudiantes. En S. Cueto (Ed.), Investigación para el desarrollo en el
Perú. Once balances (p. 27-53). Lima: Grupo de Análisis para el Desarrollo.
Banerjee, A. & Duflo, E. (2012). Repensar la pobreza. Un giro radical en la lucha
contra la desigualdad global. México: Taurus.
Bellei, C. (2013). El estudio de la segregación socioeconómica y académica de la
educacion chilena. Estudios Pedagógicos, 34(1), 325-345.
Bronfenbrenner, U. & Morris, P. (1998). The ecology of developmental processes. En
W. Damo & R. M. Lerner (Eds.), Handbook of child psychology: Theoretical
models of human development (p. 993-1028). Hoboken: John Wiley.
Cairns, R. B., Cairns, B. D. & Neckerman, H. J. (1989). Early School Dropout:
Configurations and Determinants. Child Development, 60(6), 1437-1452.
Caro, D. (2002). Estimación del nivel socioeconómico de las familias: propuesta
metodológica para la Evaluación Nacional de Rendimiento del 2001. Lima:
Unidad de Medición de la Calidad Educativa.
Caro, D. & Cortés, D. (2012). Measuring family socioeconomic status: An
illustration using data from PIRLS 2006. IERI Monograph Series: Issues
and Methodologies in Large-Scale Assessments, 5.
Castellano, K., Rabe-Hesketh, S. & Skrondal, A. (2014). Composition, Context, and
Endogeneity in School and Teacher Comparisons. Journal of Educational
and Behavioral Statistics, 39(5), 333-367.
Centro de Investigación y Desarrollo del Instituto Nacional de Estadística e Informática.
(2007). Perú: características socio económicas de los hogares. Lima:
Instituto Nacional de Estadística e Informática.
Coleman, J. (1988). Social Capital in the Creation of Human Capital. American Journal
of Sociology, 94, S95-S120.
Coleman, J., Campbell, E. Q., Hobson, C. J., McPartland, J., Mood, A. M., Weinfeld,
F. D. & York, R. L. (1966). Equality of educational opportunity. Washington,
D.C.: US Department of Health, Education and Welfare.
Crane, J. (1991). The Epidemic Theory of Ghettos and Neighbourhood Effects
on Dropping Out and Teenage Childbearing. The American Journal of
Sociology, 96, 1226-1259.
78
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Referencias
79
Instituto Nacional de Estadística e Informática. (2016). Perú: síntesis estadística 2016.
Lima: Autor.
Janosz, M., LeBlanc, M., Boulerice, B. & Tremblay, R. E. (1997). Disentangling the
Weight of School Dropout Predictors: A Test on Two Longitudinal Samples.
Journal of Youth and Adolescence, 26(6), 733-762.
Jennrich, R. (1970). An Asymptotic χ2 Test for the equality of two correlation matrices.
Journal of American Statistical Association, 65(330), 904-912.
Johnson, M. K., Crosnoe, R. & Elder, G. H. (2001). Students’ Attachment and Academic
Engagement: The Role of Race and Ethnicity. Sociology of Education, 74,
318-340.
Juneja, J. (2012). Common factors, principal components analysis, and the term
structure of interest rates. International Review of Financial Analysis, 24,
48-56.
Lareau, A. (1987). Social Class Differences in Family-School Relationships: The
Importance of Cultural Capital. Sociology of Education, 60, 73-85.
León, J. & Collahua, Y. (2016). El efecto del nivel socioeconómico en el rendimiento de
los estudiantes peruanos: un balance de los últimos 15 años. En S. Cueto
(Ed.), Investigación para el desarrollo en el Perú. Once balances (p. 109-
162). Lima: Grupo de Análisis para el Desarrollo.
Marcos, M. (2017). Colegios privados de bajo costo ¿Mejor educación a un
precio razonable? Aproximación desde los resultados en Matemática en
la Evaluación Censal de Estudiantes 2016. Pensamiento Crítico, 22(2), 31-
48.
Martínez, D. (2010). El aporte de Adolfo Figueroa al análisis de la relación
entre equidad, productividad y competitividad. En F. Jiménez (Ed.),
Teoría económica y desarrollo social: exclusión, desigualdad y democracia.
Homenaje a Adolfo Figueroa (p. 25-47). Lima: Pontificia Universidad
Católica del Perú.
Ministerio de Educación. (2016a). ¿Cuánto aprenden nuestros estudiantes al término
de la educación primaria? Informe de logros de aprendizaje y sus factores
asociados en la Evaluación Muestral 2013. Lima: Oficina de Medición de
Calidad de los Aprendizajes.
Ministerio de Educación. (2016b). Regiones en perspectiva: la influencia de los
factores asociados al aprendizaje al término de la educación primaria.
Estudios Breves, 2.
Ministerio de Educación. (2016c). Reporte técnico del índice de calidad del servicio
y el contexto de la escuela. Lima: Oficina de Medición de Calidad de los
Aprendizajes.
Ministerio de Educación. (2017a). ¿Cómo se relaciona la infraestructura de la escuela
con los aprendizajes de los estudiantes? Zoom Educativo, 3.
Ministerio de Educación. (2017b). El Perú en PISA 2015. Informe nacional de
resultados. Lima: Oficina de Medición de Calidad de los Aprendizajes.
Ministerio de Educación. (2017c). ¿Qué sucede con los aprendizajes en la
transición de primaria a secundaria? Una mirada desde la equidad y la
80
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Referencias
81
Sirin, S. R. (2005). Socioeconomic Status and Academic Achievement: A Meta-
Analytic Review of Research. Review of Educational Research, 75(3), 417-
453.
Snijders, T. & Bosker, J. (1999). Multilevel Analysis. An introduction to basic and
advanced multilevel modeling. London: Sage Publications.
Televantou, I., Marsh, H. W., Kyriakides, L., Nagengast, B., Fletcher, J. & Malmberg, L.-
E. (2015). Phantom effects in school composition research: consequences
of failure to control biases due to measurement error in traditional multilevel
models. School Effectiveness and School Improvement, 26(1), 75-101.
Therborn, G. (2015). Los campos de exterminio de la desigualdad. Buenos Aires:
Fondo de Cultura Económica.
Trendafilov, N. T. (2003). Stepwise estimation of common principal components.
Computational Statistics and Data Analysis, 54, 3446-3457.
van Buuren, S. & Groothuis-Oudshoorn, K. (2011). mice: Multivariate Imputation by
Chained Equations in R. Journal of Statistical Software, 45(3), 1-67.
van Ewijk, R. & Sleegers, P. (2010). The effect of peer socioeconomic status on student
achievement: A meta-analysis. Educational Research Review, 5, 134-150.
Vazquez, E. (2012). Segregacion escolar por nivel socioeconómico midiendo el
fenómeno y explorando sus determinates (Tesis de Master no publicada).
Universidad Nacional de La Plata.
Véliz, C. (2016). Análisis Multivariante. Métodos estadísticos multivariantes para la
investigación. México: Cengage.
Voelkl, K. E. (1995). School Warmth, Student Participation, and Achievement. Journal
of Experimental Education, 63(2), 127-138.
White, K. R. (1982). The Relation Between Socioeconomic Status and Academic
Achievement. Psychological Bulletin, 91(3), 461-481.
Yang, Y. & Gustafsson, J.-E. (2004). Measuring Socioeconomic Status at Individual
and Collective Levels. Educational Research and Evaluation, 10(3), 259-
288.
Ziyatdinov, A., Kanaan-Izquierdo, S., Trendafilov, N. T. & Perera-Lluna, A. (2014).
cpca: Methods to perform Common Principal Component Analysis (CPCA)
[Manual de software informático]. (R package version 0.1.2)
82
Anexos
Anexos
A1. Preguntas usadas en la elaboración del índice socioeconómico
84
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
85
A2. Densidad del ISE en 2.° grado de secundaria
Figura A2.1. Densidad del ISE de 2.° grado de secundaria según área de la escuela
1,0
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
Figura A2.2. Densidad del ISE de 2.° grado de secundaria según gestión de la
escuela
1,0
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
86
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Figura B1.1. Densidad del ISEP de 2.° y 4.° grado de primaria según área de la
escuela - ECE 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
Figura B1.2. Densidad del ISEP de 2.° y 4.° grado de primaria según región natural
- ECE 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
87
Figura B1.3. Dispersión del ISEP de 2.° grado y 4.° grado de primaria según gestión
de la escuela - ECE 2016
2 Correlación: 0,953
−1
−2
−2 −1 0 1 2
2.° grado de primaria − 2016
Estatal No estatal
Figura B1.4. Dispersión del ISEP de 2.° grado y 4.° grado de primaria según región
natural - ECE 2016
2 Correlación: 0,953
4.° grado de primaria − 2016
−1
−2
−2 −1 0 1 2
2.° grado de primaria − 2016
88
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Figura B1.5. Densidad del ISEP de 2.° grado de primaria según gestión de la
escuela - ECE 2015 y 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
Figura B1.6. Densidad del ISEP de 2.° grado de primaria según región natural -
ECE 2015 y 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
89
Figura B1.7. Dispersión del ISEP de 2.° grado de primaria según área de la escuela
- ECE 2015 y 2016
2 Correlación: 0,941
−1
−2
−2 −1 0 1 2
2.° grado de primaria − 2015
Rural Urbana
Figura B1.8. Dispersión del ISEP de 2.° grado de primaria ECE según región natural
- ECE 2015 y 2016
2 Correlación: 0,941
2.° grado de primaria − 2016
−1
−2
−2 −1 0 1 2
2.° grado de primaria − 2015
90
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Tabla B1.1. Distribución de la varianza del ISE de 2.° grado de secundaria - ECE
2015 y 2016
Estrato Grupo Estudiante Escuela
ECE 2015 0,356 0,644
Nacional ECE 2016 0,345 0,655
ECE 2015 - 2016 0,351 0,649
ECE 2015 0,387 0,613
Urbano ECE 2016 0,373 0,627
ECE 2015 - 2016 0,381 0,619
ECE 2015 0,681 0,319
Rural ECE 2016 0,674 0,326
ECE 2015 - 2016 0,688 0,312
ECE 2015 0,477 0,523
Estatal ECE 2016 0,463 0,537
ECE 2015 - 2016 0,473 0,527
ECE 2015 0,594 0,406
No Estatal ECE 2016 0,622 0,378
ECE 2015 - 2016 0,610 0,390
ECE 2015 0,394 0,606
Costa ECE 2016 0,382 0,618
ECE 2015 - 2016 0,388 0,612
ECE 2015 0,534 0,466
Sierra ECE 2016 0,522 0,478
ECE 2015 - 2016 0,533 0,467
ECE 2015 0,516 0,484
Selva ECE 2016 0,501 0,499
ECE 2015 - 2016 0,509 0,491
Figura B1.9. Densidad del ISEP de 2.° grado de secundaria según área de la
escuela - ECE 2015 y 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
91
Figura B1.10. Densidad del ISEP de 2.° grado de secundaria según gestión de la
escuela - ECE 2015 y 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
Figura B1.11. Densidad del ISEP de 2.° grado de secundaria según región natural
- ECE 2015 y 2016
1,4
1,2
1,0
Densidad
0,8
0,6
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico promedio
92
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Figura B1.12. Dispersión del ISEP de 2.° grado de secundaria según gestión de la
escuela - ECE 2015 y 2016
2 Correlación: 0,970
−1
−2
−2 −1 0 1 2
2.° grado de secundaria − 2015
No estatal Estatal
Figura B1.13. Dispersión del ISEP de 2.° grado de secundaria según área de la
escuela - ECE 2015 y 2016
2 Correlación: 0,970
2.° grado de secundaria − 2016
−1
−2
−2 −1 0 1 2
2.° grado de secundaria − 2015
Rural Urbana
93
Figura B1.14. Dispersión del ISEP de 2.° grado de secundaria según región natural
- ECE 2015 y 2016
2 Correlación: 0,970
−1
−2
−2 −1 0 1 2
2.° grado de secundaria − 2015
94
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Test de igualdad de
χ2 Significancia
matrices
Nacional vs. Urbana 3869,547 <0,001
Nacional vs. Rural 18128,02 <0,001
Nacional vs. Costa 6013,855 <0,001
Nacional vs. Sierra 3650,899 <0,001
Nacional vs. Selva 2186,857 <0,001
Urbana vs. Rural 15347,700 <0,001
Costa vs. Sierra 5316,014 <0,001
Costa vs. Selva 2596,091 <0,001
Sierra vs. Selva 1551,168 <0,001
95
Figura C1.1. Densidad del ISE calculado mediante ACP y ACPC considerando
diferencias por región natural - 4.° grado de primaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
ACP ACPC
Figura C1.2. Densidad del ISE calculado mediante ACP y ACPC considerando
diferencias por área de la escuela - 2.° grado de secundaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
ACP ACPC
96
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Figura C1.3. Densidad del ISE calculado mediante ACP y ACPC considerando
diferencias por región natural - 2.° grado de secundaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
ACP ACPC
Figura C1.4. Densidad según área del ISE calculado mediante ACP y ACPC
considerando diferencias por área de la escuela - 2.° grado de secundaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
97
Figura C1.5. Densidad según región del ISE calculado mediante ACP y ACPC
considerando diferencias por región natural - 2.° grado de secundaria
0,8
0,6
Densidad
0,4
0,2
0,0
−3 −2 −1 0 1 2 3
Índice socioeconómico
98
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Tabla D1.1. Modelos con datos aleatorizados de 2.° grado de primaria - ECE 2015
Lectura Matemática
Modelo Datos
Intercepto ISE ISEP Intercepto ISE ISEP
Modelo 1: Aleatorizados 607,10 32,88 600,63 28,33
ISE Reales 576,83 11,94 568,22 10,86
Modelo 2: Aleatorizados 601,55 32,88 595,83 28,33
ISE(GM) Reales 574,81 11,94 566,39 10,86
Modelo 3: Aleatorizados 601,54 32,88 595,82 28,34
ISE(MC) Reales 569,69 7,90 561,89 7,77
Modelo 4: Aleatorizados 607,11 32,90 600,62 28,30
ISEP Reales 601,21 54,63 589,96 48,84
Modelo 5: Aleatorizados 601,55 32,90 595,82 28,30
ISEP(GM) Reales 591,96 54,63 581,67 48,84
Modelo 6: Aleatorizados 607,11 32,88 0,02 600,62 28,34 -0,03
ISE+ISEP Reales 601,21 7,90 46,73 589,96 7,77 41,07
Modelo 7: Aleatorizados 607,10 32,88 0,02 600,63 28,34 -0,03
ISE+ISEP(GM) Reales 593,29 7,90 46,73 582,99 7,77 41,07
Modelo 8: Aleatorizados 601,55 32,88 0,02 595,82 28,34 -0,03
ISE(GM)+ISEP Reales 599,87 7,90 46,73 588,65 7,77 41,07
Modelo 9: Aleatorizados 601,55 32,88 0,02 595,82 28,34 -0,03
ISE(GM)+ISEP(GM) Reales 591,95 7,90 46,73 581,67 7,77 41,07
Modelo 10: Aleatorizados 607,11 32,88 32,90 600,62 28,34 28,30
ISE(MC)+ISEP Reales 601,21 7,90 54,63 589,96 7,77 48,84
Modelo 11: Aleatorizados 601,55 32,88 32,90 595,82 28,34 28,30
ISE(MC)+ISEP(GM) Reales 591,95 7,90 54,63 581,67 7,77 48,84
Tabla D1.2. Modelos con datos aleatorizados de 2.° grado de primaria - ECE 2016
Lectura Matemática
Modelo Datos
Intercepto ISE ISEP Intercepto ISE ISEP
Modelo 1: Aleatorizados 597,67 33,98 625,07 31,93
ISE Reales 566,51 14,98 586,15 15,23
Modelo 2: Aleatorizados 592,26 33,98 619,96 31,93
ISE(GM) Reales 564,13 14,98 583,72 15,23
Modelo 3: Aleatorizados 592,28 33,99 619,97 31,92
ISE(MC) Reales 556,61 12,33 576,38 12,75
Modelo 4: Aleatorizados 597,63 33,75 625,06 31,93
ISEP Reales 589,18 51,00 607,48 49,29
Modelo 5: Aleatorizados 592,26 33,75 619,96 31,93
ISEP(GM) Reales 581,05 51,00 599,62 49,29
Modelo 6: Aleatorizados 597,64 33,99 -0,23 625,06 31,92 0,01
ISE+ISEP Reales 589,17 12,33 38,67 607,48 12,75 36,54
Modelo 7: Aleatorizados 597,68 33,99 -0,23 625,07 31,92 0,01
ISE+ISEP(GM) Reales 583,01 12,33 38,67 601,65 12,75 36,54
Modelo 8: Aleatorizados 592,22 33,99 -0,23 619,96 31,92 0,01
ISE(GM)+ISEP Reales 587,20 12,33 38,67 605,44 12,75 36,54
Modelo 9: Aleatorizados 592,26 33,99 -0,23 619,96 31,92 0,01
ISE(GM)+ISEP(GM) Reales 581,04 12,33 38,67 599,61 12,75 36,54
Modelo 10: Aleatorizados 597,64 33,99 33,76 625,06 31,92 31,93
ISE(MC)+ISEP Reales 589,17 12,33 51,01 607,48 12,75 49,29
Modelo 11: Aleatorizados 592,26 33,99 33,76 619,96 31,92 31,93
ISE(MC)+ISEP(GM) Reales 581,04 12,33 51,01 599,61 12,75 49,29
99
Tabla D1.3. Modelos con datos aleatorizados de 4.° grado de primaria - ECE 2016
Lectura Matemática
Modelo Datos
Intercepto ISE ISEP Intercepto ISE ISEP
Modelo 1: Aleatorizados 488,77 39,05 476,62 28,87
ISE Reales 466,78 20,73 456,08 14,44
Modelo 2: Aleatorizados 484,21 39,05 473,25 28,87
ISE(GM) Reales 464,36 20,73 454,39 14,44
Modelo 3: Aleatorizados 484,21 39,05 473,25 28,87
ISE(MC) Reales 454,68 16,15 447,87 11,85
Modelo 4: Aleatorizados 488,77 39,01 476,62 28,78
ISEP Reales 482,12 49,13 467,86 35,87
Modelo 5: Aleatorizados 484,21 39,01 473,25 28,78
ISEP(GM) Reales 476,38 49,13 463,67 35,87
Modelo 6: Aleatorizados 488,77 39,05 -0,04 476,62 28,87 -0,09
ISE+ISEP Reales 482,10 16,15 32,98 467,85 11,85 24,02
Modelo 7: Aleatorizados 488,77 39,05 -0,04 476,62 28,87 -0,09
ISE+ISEP(GM) Reales 478,25 16,15 32,98 465,05 11,85 24,02
Modelo 8: Aleatorizados 484,21 39,05 -0,04 473,24 28,87 -0,09
ISE(GM)+ISEP Reales 480,21 16,15 32,98 466,46 11,85 24,02
Modelo 9: Aleatorizados 484,21 39,05 -0,04 473,25 28,87 -0,09
ISE(GM)+ISEP(GM) Reales 476,36 16,15 32,98 463,66 11,85 24,02
Modelo 10: Aleatorizados 488,77 39,05 39,01 476,62 28,87 28,78
ISE(MC)+ISEP Reales 482,10 16,15 49,13 467,85 11,85 35,87
Modelo 11: Aleatorizados 484,21 39,05 39,01 473,25 28,87 28,78
ISE(MC)+ISEP(GM) Reales 476,36 16,15 49,13 463,66 11,85 35,87
Tabla D1.4. Modelos con datos aleatorizados de 2.° grado de secundaria - ECE
2015
Lectura Matemática
Modelo Datos
Intercepto ISE ISEP Intercepto ISE ISEP
Modelo 1: Aleatorizados 565,31 33,48 552,11 26,05
ISE Reales 555,49 14,63 543,90 11,32
Modelo 2: Aleatorizados 564,16 33,48 551,22 26,05
ISE(GM) Reales 554,98 14,63 543,51 11,32
Modelo 3: Aleatorizados 564,16 33,48 551,22 26,05
ISE(MC) Reales 550,71 12,02 540,29 9,26
Modelo 4: Aleatorizados 565,30 33,31 552,10 25,90
ISEP Reales 564,89 45,91 550,79 34,37
Modelo 5: Aleatorizados 564,16 33,31 551,22 25,90
ISEP(GM) Reales 563,30 45,91 549,61 34,37
Modelo 6: Aleatorizados 565,30 33,48 -0,16 552,10 26,05 -0,15
ISE+ISEP Reales 564,88 12,02 33,88 550,78 9,26 25,11
Modelo 7: Aleatorizados 565,31 33,48 -0,16 552,11 26,05 -0,15
ISE+ISEP(GM) Reales 563,72 12,02 33,88 549,93 9,26 25,11
Modelo 8: Aleatorizados 564,15 33,48 -0,16 551,21 26,05 -0,15
ISE(GM)+ISEP Reales 564,46 12,02 33,88 550,46 9,26 25,11
Modelo 9: Aleatorizados 564,16 33,48 -0,16 551,22 26,05 -0,15
ISE(GM)+ISEP(GM) Reales 563,30 12,02 33,88 549,60 9,26 25,11
Modelo 10: Aleatorizados 565,30 33,48 33,32 552,10 26,05 25,90
ISE(MC)+ISEP Reales 564,88 12,02 45,89 550,78 9,26 34,36
Modelo 11: Aleatorizados 564,16 33,48 33,32 551,22 26,05 25,90
ISE(MC)+ISEP(GM) Reales 563,30 12,02 45,89 549,60 9,26 34,36
100
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
Tabla D1.5. Modelos con datos aleatorizados para Historia, Geografía y Economía
de 2.° grado de secundaria - ECE 2016
Modelo Datos Intercepto ISE ISEP
Modelo 1: Aleatorizados 503,99 31,19
ISE Reales 496,83 14,90
Modelo 2: Aleatorizados 504,23 31,19
ISE(GM) Reales 496,93 14,90
Modelo 3: Aleatorizados 504,23 31,19
ISE(MC) Reales 492,63 11,46
Modelo 4: Aleatorizados 503,99 31,25
ISEP Reales 503,42 40,96
Modelo 5: Aleatorizados 504,23 31,25
ISEP(GM) Reales 503,74 40,96
Modelo 6: Aleatorizados 503,99 31,19 0,05
ISE+ISEP Reales 503,42 11,46 29,49
Modelo 7: Aleatorizados 503,99 31,19 0,05
ISE+ISEP(GM) Reales 503,66 11,46 29,49
Modelo 8: Aleatorizados 504,24 31,19 0,05
ISE(GM)+ISEP Reales 503,50 11,46 29,49
Modelo 9: Aleatorizados 504,23 31,19 0,05
ISE(GM)+ISEP(GM) Reales 503,74 11,46 29,49
Modelo 10: Aleatorizados 503,99 31,19 31,25
ISE(MC)+ISEP Reales 503,42 11,46 40,96
Modelo 11: Aleatorizados 504,23 31,19 31,25
ISE(MC)+ISEP(GM) Reales 503,74 11,46 40,96
101
D2. Estudio de simulación - código en R
library (plyr ); library (lme4 ); library (matrixStats ); library (truncnorm)
b0 <-c(1,2)
b1 <-1
b2 <-1
sdm <-0.5
sdsd <-0.15
sim <-1000
mn <-expand.grid(m,n);rm(m,n)
mn1 <-cbind(mn ,NA ,NA ,NA ,NA ,NA ,NA)
mn2 <-cbind(mn ,NA ,NA ,NA ,NA ,NA ,NA)
colnames (mn1)<-c("n","ncl","me_b0","me_b1","me_b2","de_b0","de_b1","de_b2")
colnames (mn2)<-c("n","ncl","me_b0","me_b1","me_b2","de_b0","de_b1","de_b2")
set.seed (343)
for(i in 1: nrow(mn)){
co1 <-NULL
co2 <-NULL
for(j in 1:sim){
ncl <-mn[i,2]
id <-rep (1:mn[i,2], each=mn[i ,1])
xb <-rnorm(ncl)
x2 <-rep(colMeans(mat),each=mn[i ,1])
x1 <-c(mat)
yij1 <-b0j+b1*x1+b2*x2+uj+eij
yij2 <-b0j+b1*x1+uj+eij
mn1;mn2
102
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
103
Tabla E1.3. Tasas de respuestas de los ítems de percepción sobre el conocimiento
pedagógico de los docentes de Comunicación
Lo dominan
Lo dominan
No lo con Lo Casos Carga
Pregunta con algo de
dominan bastante dominan perdidos factorial
dificultad
dificultad
Conocimiento sobre los
niveles de escritura (pre
0,7 % 3,9 % 35,5 % 59,9 % 4,7 % 0,791
silábico, silábico, silábico
alfabético y alfabético)
Conocimiento sobre los
tipos de comprensión
0,4 % 3% 30,2 % 66,4 % 4,7 % 0,804
lectora (literal, inferencial y
reflexión)
Estrategias para la
organización de la
información (construcción 0,9 % 6,6 % 41 % 51,4 % 4,4 % 0,832
de esquemas, diagramas,
mapas conceptuales)
Enfoque comunicativo para
la enseñanza de la lectura 0,6 % 4,8 % 36,9 % 57,8 % 4,5 % 0,866
y escritura
Proceso de la producción
escrita (planificación, 0,7 % 5,7 % 40,4 % 53,2 % 5% 0,852
textualización, edición)
CFI = 0,990, TLI = 0,988, RMSEA = 0,057
104
Desafíos en la medición y el análisis del estatus socioeconómico de los estudiantes peruanos Anexos
105